DOI QR코드

DOI QR Code

Evaluation of Reservoir Monitoring-based Hydrological Drought Index Using Sentinel-1 SAR Waterbody Detection Technique

Sentinel-1 SAR 영상의 수체 탐지 기법을 활용한 저수지 관측 기반 수문학적 가뭄 지수 평가

  • Kim, Wanyub (Department of Global Smart City, Sungkyunkwan University) ;
  • Jeong, Jaehwan (Center for Built Environment, Sungkyunkwan University) ;
  • Choi, Minha (School of Civil, Architecture Engineering and Landscape Architecture, Sungkyunkwan University)
  • 김완엽 (성균관대학교 글로벌스마트시티융합전공) ;
  • 정재환 (성균관대학교 건설환경연구소) ;
  • 최민하 (성균관대학교 건설환경공학부)
  • Received : 2022.04.01
  • Accepted : 2022.04.14
  • Published : 2022.04.30

Abstract

Waterstorage is one of the factorsthat most directly represent the amount of available water resources. Since the effects of drought can be more intuitively expressed, it is also used in variousstudies for drought evaluation. In a recent study, hydrological drought was evaluated through information on observing reservoirs with optical images. The short observation cycle and diversity of optical satellites provide a lot of data. However, there are some limitations because it is vulnerable to the influence of weather or the atmospheric environment. Therefore, thisstudy attempted to conduct a study on estimating the drought index using Synthetic Aperture Radar (SAR) image with relatively little influence from the observation environment. We produced the waterbody of Baekgok and Chopyeong reservoirs using SAR images of Sentinel-1 satellites and calculated the Reservoir Area Drought Index (RADI), a hydrological drought index. In order to validate the applicability of RADI to drought monitoring, it was compared with Reservoir Storage Drought Index (RSDI) based on measured storage. The two indices showed a very high correlation with the correlation coefficient, r=0.87, Area Under curve, AUC=0.97. These results show the possibility of regional-scale hydrological drought monitoring of SAR-based RADI. As the number of available SAR images increases in the future, it is expected that the utilization of drought monitoring will also increase.

저수량은 가용한 수자원의 양을 가장 직접적으로 나타내는 인자중의 하나이다. 또한 가뭄의 영향을 보다 직관적으로 나타낼 수 있으므로, 가뭄 평가를 위한 연구에서도 다양하게 활용되고 있다. 최근에는 광학영상으로 저수면적을 관측하고, 또 이를 활용한 수문학적 가뭄지수인 RADI가 개발되기도 하였다. 인공위성을 통해 얻을 수 있는 광학영상은 관측주기가 뛰어나 많은 양의 자료를 획득할 수 있으나, 구름 등 기상과 대기환경에 의한 영향에 취약하여 실제 활용에서는 다소 한계가 있다. 이에 본 연구에서는 기상이나, 관측시간대와 상관없이 영상을 획득할 수 있는 SAR 영상을 활용한 가뭄지수 산정 연구를 수행하고자 하였다. Sentinel-1 위성의 SAR 영상을 활용하여 충북 진천군에 위치한 백곡, 초평저수지의 저수면적을 탐지하여, RADI를 산정하여 지역규모 가뭄 모니터링을 수행하였다. RADI는 실측 저수량을 기반으로 한 RSDI와 비교, 검증하였다. RADI는 RSDI와 상관계수 r=0.87, ROC의 밑면적 AUC=0.97로 매우 높은 상관 관계를 보여주었다. 이 결과는 SAR 기반 RADI의 지역규모 수문학적 가뭄 모니터링의 가능성을 보여주며, 추후 가용 SAR 영상의 종류가 늘어나고, 재방문주기가 단축될 것이므로 가뭄 모니터링에 대한 활용성이 증대될 것으로 기대된다.

Keywords

1. 서론

최근 기후변화로 인해 지구온난화가 가속화되며, 전 세계적으로 가뭄의 심도와 기간이 증가하고 있다(Dai and Aiguo, 2013; Lee et al., 2004; Mukherjee et al., 2018). 특히, 한반도 기후의 특성상 강수가 지역 및 계절별로 편중되어 나타나, 해마다 국지적인 가뭄이 다수 발생하고 있다(Ahn and Kim, 2010; Park et al., 2008). 가뭄은 수개월에서 수년에 걸쳐 일정기간동안 수분 혹은 강수량이 현저히 부족하여 발생하는 자연현상을 의미하며, 홍수, 태풍, 지진 등 다른 자연재해들과 달리 시작과 끝을 정의하기 어렵고, 진행속도가 느리며, 광역적인 공간을 통하여 전파하는 특성을 갖는다(Mishra et al., 2019). 가뭄은 경제, 환경 및 사회에 직·간접적인 악영향을 끼칠 수 있으며, 가뭄이 장기간 지속되면 농업용수의 부족으로 인한 농작물 수확량의 감소, 수위 저하에 의한 수질악화, 건조로 인한 산불 위험 증가, 식수와 생활용수 공급의 제한으로 인한 삶의 질 악화 등의 문제를 야기한다(Ding et al., 2011).

가뭄은 관점에 따라 기상학적 가뭄, 농업적 가뭄, 수문학적 가뭄으로 분류된다. 기상학적 가뭄은 일정 기간 동안 특정 지역에서 강수량이 부족한 것으로 정의되며, 기상현상의 영향을 직접적으로 표현한다(Zargar et al., 2011). 농업적 가뭄은 농작물의 생육에 직접적으로 관계되는 토양수분이 부족한 것으로 정의되며, 농작물의 수요와 공급 사이에 불균형을 일으킨다(Liu et al., 2016). 수문학적 가뭄은물 공급에 초점을 맞추어 지표수 및 지하수가 기간별로 평균에 미치지 못하는 경우를 의미 하며, 댐, 하천, 저수지, 호수 등의 수량 부족과 연관이 있다(Van Loon, 2015). 이렇듯 수문학적 가뭄지수는 실질적인 가용수량에 대한 직간접적인 척도로 사용 가능하다. 또한 수문학적 가뭄은 다른 종류의 가뭄들에 비하여 장기간에 걸쳐 발생하여 사회 및 경제적으로 심각한 영향을 끼친다.

가뭄의 특성상, 가뭄을 사전에 대비하기 위해서는 광범위한 영역을 대상으로 지속적인 감시 및 분석이 필수적이다. 이를 위해 다양한 원격탐사 및 재분석자료 등의 멀티소스데이터를 활용한 연구가 다수 수행되고 있다(AghaKouchak et al., 2015). 원격탐사 기반 기상학적 가뭄의 분석은 강수량, 증발산량 모니터링과 SPI, SPEI (Begueria et al., 2014), PDSI (Alley, 1984) 등을 이용하며, 농업적 가뭄의 분석은 토양수분, 식생지수 모니터링과 VCI (Liu and Kogan, 1996), VHI (Kogan, 1997) 등을 이용한 가뭄 분석 연구가 진행되어 왔다.

기상학적 가뭄과 농업적 가뭄 분석을 위한 인자들을 제공하는 위성 산출물이 많아 관련 연구가 활발히 진행 되고 있는 반면, 수문학적 가뭄은 분석을 위한 위성과 센서 및 산출물이 비교적 부족하여 원격탐사 기반 접근 방식의 개발이 제한적이다(West et al., 2019). 수문학적 가뭄의 분석은 주로 특정지역의 유량과 수문인자의 모니터링을 연계하여 분석되고 있으며(Van Loon et al., 2015), 최근 광학위성영상을 활용하여 산출한 저수지 면적과 저수량 관측데이터를 연계하는 연구도 제안되고 있다(Zhao et al., 2019). 하지만, 광학 영상의 특성상 구름, 눈 등의 기상현상의 영향을 크게 받아 장기간 모니터링에 어려움이 있다.

따라서 본 연구에서는 기상현상의 영향을 적게 받는 Synthetic Aperture Radar (SAR) 영상을 활용해 RADI (Reservoir Area Drought Index)를 산정하여 지역 규모의 수문학적 가뭄 판단의 적정성을 평가하였다. 저수면적을 산정하기 위해서 Sentinel-1 위성의 SAR 후방산란계 수로부터 저수지의 수체면적을 탐지하였으며, 저수면적을 통해 RADI를 산정하고 지역 규모의 수문학적 가뭄을 분석하였다. 마지막으로 SAR 기반 RADI는 실측 저수량 기반 RSDI (Reservoir Storage Drought Index)와 비교 및 검증을 통하여 수문학적 가뭄 판단의 적정성을 평가하였다.

2. 연구지역 및 데이터

1) 연구지역

연구에서 수문학적 가뭄을 모니터링할 연구지역으로 충청북도에 위치한 진천군을 선정하였다(Fig. 1). 진천군은 진천평야의 곡창지대를 끼고 있는 농업 지역이며, 충청북도에서 가장 큰 농업용 저수지인 백곡 (Baekgok) 저수지와 초평(Chopyeong) 저수지가 위치해 있다. 백곡저수지와 초평저수지의 유효저수량은 26,372,000 m3, 13,853,200 m3이며, 유역면적은 84,790,000 m2, 133,300,000 m2으로 대규모 저수지에 속한다. 백곡 저수지와 초평저수지는 한국농어촌공사에 의해 관리 및 운영되고 있으며, 백곡저수지는 관개면적이 약 26,135,000 m2에 달하며 충북 지역 내 유효저수량이 가장 큰 저수지이다. 초평저수지는 충북 지역 내 가장 큰 영농저수지로 진천군뿐 아니라 청원군 6개면에 용수를 공급하고 있다. 농촌용수종합정보시스템(RAWRIS)의 2020년 저수지 수문조사연보에 따르면 백곡저수지와 초평저수지의 유효저수량은 충북 전체 저수지의 약 20%, 진천군 내 전체 저수지의 약 75%를 차지한다. 즉, 백곡저수지와, 초평저수지의 저수량은 충청북도 내의 가뭄 상황을 모니터링하기 위해 가장 핵심적인 인자라고 할 수 있다.

Table 1. Specifications of Baekgok and Chopyeong reservoirs

OGCSBN_2022_v38n2_153_t0001.png 이미지

OGCSBN_2022_v38n2_153_f0001.png 이미지

Fig. 1. Location of study area and reservoirs (a) Baekgok and (b) Chopyeong.

2) Sentinel-1 SAR

Sentinel-1은 European Space Agency (ESA)에서 해양 및 육지의 지속적인 레이더 매핑을 위해 발사된 위성으로, 동일한궤도를공유하는Sentinel-1A/B로구성된다(Torres et al., 2012). Sentinel-1은 4가지 관측 모드(Interferometric Wide Swath,IW;ExtraWide Swath,EW; StripMap, SM;Wave, WV)에서작동하는중심주파수가5.405GHz인C-band합 성개구레이더(Synthetic Aperture Radar, SAR)를 탑재하고 있다(Geudtner et al., 2014). SAR는 능동형 마이크로파 센 서로 구름, 눈 등의 기상현상에 상관없이 관측 가능하다는 장점을 가지고 있다. Snetinel-1 SAR는 송수신 방향을 기준으로 VV, VH, HV, HH의 4가지 편파 영상이 제공되며, 6~12일의시간해상도와10m, 25m, 40m의공간해 상도를 제공한다. 본 연구에서는 구글 어스 엔진(Google Earth Engine, GEE)에서 제공하는 IW모드의 Ground Range Detected (GRD) 레벨1 영상을 사용하였으며, 2015 년 1월부터 2020년 12월까지 총 714장(백곡 357장, 초평 357장)의 영상을 이용하였다. 편파 영상 중 송수신 방향이 동일한(co-polarization) VV, HH 편파는 송수신 방향이 서로 다른(cross-polarization) VH, HV 편파에 비하여 수체 표면에 민감하게 반응한다(Bourgeau-Chavez et al., 2001; Mullissa et al., 2021). 이에 국내에서 사용가능한 VV, VH 편파 영상 중 VV 편파 자료가 수체 탐지에 효과적일 것으로 판단하여, 이를 이용하여 저수지의 수체면적 및 RADI를 산정하였다. 산정된 저수면적 및 RADI는 농촌용수종합정보시스템(RAWRIS)에서 제공하는 실측 저수량 자료를 사용하여 비교 및 검증하였다.

3. 연구방법

1) SAR영상을 이용한 저수지 수체면적 탐지

SAR 영상은 노이즈(noise)의 간섭으로 인해 영상의 품질을 저하시킬 수 있어, 정확한 결과를 산출하기 위해서는 전처리 과정이 필수적이다(Ma, 2021). GEE에서는 궤도 보정(Apply orbit file), 노이즈 제거(noise removal), 방사 보정(Radiometric calibration), 지형 보정(Terrain correction) 의 전처리 과정을 수행한 Sentinel-1 GRD 자료를 제공한다. 궤도 보정은 SAR 영상에 궤도 메타데이터를 추가하여 위성의 정확한 위치 및 속도를 얻을 수 있다. 노이즈 제거는 SAR 영상의 열 잡음(Thermal noise)과 경계잡음(Border noise)을 제거해 주며 보정 매개변수를 사용 한 방사 보정을 통해 후방산란계수를 산정할 수 있다. 이후 기하학적 왜곡을 보정하는 지형보정을 통해 Sentinel-1 GRD 자료를 획득할 수 있다. GEE에서 전처리 과정을 수행한 Sentinel-1 GRD 영상에서 불규칙한 잡음을 제거하기 위해서 중간값 필터링(Median filter)을 이용하여 ‘Speckle filtering’을 추가적으로 수행하였다 (Filipponi, 2019).

전처리 과정을 수행한 SAR 영상에서 저수지의 수체 면적을 산정하기 위해서 히스토그램 기반 임계값 산정 기법을 활용하여 수체와 비수체 지역을 분류하였다 (Fig. 2). 수체의 표면은 비수체 표면에 비해 거칠기가 낮아 후방산란계수(Backscattering coefficient [dB]) 값이 작게 나타나는 특성을 가지고 있다(Pierdicca et al., 2013; Pham-Duc et al., 2017). 이에 수체와 비수체의 분류는 임계값을 기준으로 후방산란계수값이 낮은 영역을 수체, 높은 영역을 비수체로 분류한다. 임계값의 산정은 영상의 히스토그램을 두 개의 클래스로 분할한 후 클래스 내 의(intra-class) 분산은 작게하고, 클래스 간의(inter-class) 분산은 크게함으로써 클래스의 분산비를 최대화 시키는 지점을 찾는 Otsu 알고리즘을 이용하였다(Otsu, 1979; Li and Kim, 2006). Otsu 기법은 식 (1)에서 두 클래스간의 분산을 구한 후, 식 (2)에서 두 클래스간 분산의 차이가 최대가 되는 k*을 구하여 최적의 임계값을 얻을 수 있는 기법이다.

σB2 (k) = ω0(k)(μ0(k) –μT(k))2+ ω1(k)(μ1(k) –μT(k))2

= ω0(k)ω1(k)(μ1(k) –μ0(k))2       (1)

σB2 (k*) = max(σB2 (k*))       (2)

OGCSBN_2022_v38n2_153_f0002.png 이미지

Fig. 2. Histogram-based threshold estimation.

식(1)의σB2 (k)는 두 클래스의 분산, ω0와ω1은 각 클래스의 확률 분포, μ0와μ1는 각 클래스의 평균, μT는 영상 전체의 평균을 의미하고, 식(2)의k*는 최적의 임계값을 의미한다. Otsu 알고리즘은 다른 히스토그램 기반 임계 값 산정 기법에 비하여 수체의 미탐지와 저수면적의 과소 산정되는 경우가 낮아(Jeong et al., 2021) 수문학적가 뭄분석에 효과적으로 사용할 수 있을 것으로 판단하여, 이를 사용하였다.

2) 저수면적 및 저수량 기반 가뭄지수 산정

SAR는 기상현상, 주야간에 상관없이 전천후로 고해 상도의 영상 획득이 가능하다는 장점이 있다. SAR 영상 의 후방산란계수를 이용하여 저수지, 호수, 강 등의 수체 탐지와 면적 산정을 이용한 수위 변화 및 침수지역 추출에 관한 연구가 활발히 이루어지고 있다. 하지만 SAR 영상은 광학영상에 비하여 수문 인자의 산출에 제한이 있어, 가뭄분석에 관한 연구는 미비하다. 최근 Zhao et al. (2019)는 저수지의 면적만을 이용하여 지역규 모의 가뭄 분석이 가능한 RADI를 제안하였다. RADI는 관심 지역의 저수면적의 누적분포함수와 정규분포의 역함수를 이용하여 수문학적 가뭄의 정규화 및 특성화가 가능하다(Fig. 3). 이에 본 연구에서는 Sentinel-1 SAR 영상만을 이용하여 RADI의 산정 및 지역규모의 수문학적 가뭄분석을 수행하였다. RADI는 다음 과정을 거쳐 산정할 수 있다.

OGCSBN_2022_v38n2_153_f0003.png 이미지

Fig. 3. Normalization of reservoir area time series. (a) shows the cumulative distribution function for the reservoir area and (b) shows the normalized cumulative distribution function.

Step1: 관측 시점별 연구 지역 내 저수지의 총 면적계산.

Step2: 관측 시점별 연구 지역 내 저수지의 총 면적의누적분포함수계산.

Step3: 저수 면적에서 주어진 누적분 포함 수의 값에대응하는정규분포값계산.

Step4: 정규분포의 값을 역함수를 이용하여 RADI 산정.

RADI의 검증은 실측 저수량을 이용하는 RSDI와 비교 및 검증을 하였다. 저수량은 현재 가뭄 분석에 사용 되고 있는 SWSI (Surface Water Supply Index), ADI (Aggregate Drought Index) 등의 산정에 중요한 인자로 사용되며(Keyantash et al., 2004), 저수량 그 자체로도 가뭄과의 상관관계가 존재한다(Gao et al., 2021; Zhang et al., 2016). RSDI는 실측 저수량 자료를 이용하여 RADI와 동일한 방법으로 산정된다.

3) ROC분석

ROC (Receiver Operating Characteristic) 분석은 확률론적 근거를 통해 다양한 임계값에 대한 이진분류의 성능을 평가하는 기법으로, Bae et al. (2013); Yoo et al. (2013); Yoon et al. (2020)는 ROC 분석을 이용하여 가뭄지수의 정략적인 평가를 수행한 바 있다. 본 연구에서는 ROC 분석을 사용하여 산정된 RADI의 수문학적 가뭄 판단의 적용성을 평가하였다. ROC 분석은 Table 2와 같이 관측된 결과(Observed value)와 예측된 결과(Predicted Value), 가뭄(Drought)과 비 가뭄(Non-drought)으로 분류된다. 관측된 결과는 실측 저수량 자료를 이용하는 RSDI를 사용하였으며, 예측된 결과는 SAR 영상으로 산정된 저수면적을 이용하는 RADI를 사용하였다.

Table 2. ROC Table

OGCSBN_2022_v38n2_153_t0002.png 이미지

관측 결과가 가뭄인 시기에 예측 결과가 가뭄일 경우는 TP (True Positive), 가뭄이 아닌 경우는 FN (False Negative)로 분류된다. 관측 결과가 가뭄이 아닌 시기에 예측 결과가 가뭄일 경우는 FP (False Positive), 가뭄이 아닐 경우는 TN (True Negative)로 분류된다 (Table 2). 4가지 분류와 식 (3), (4)를 이용하여 양성율(True Positive Rate, TPR)과 위양성율(False Positive Rate, FPR)을 계산 후, Fig. 4와 같이 각각 X좌표와 Y좌표에 나타냄으로써 ROC 곡선의 형태로 나타낸다. 예측 결과의 성능이 우수할수록 ROC 곡선은 좌측 상단에 가까워지며, ROC 곡선의 아래의 면적(Area Under Curve, AUC)의 값은 1에 가까워진다.

\(T P R=\frac{T P}{T P+F N}\)       (3)

\(F P R=\frac{F P}{F P+T N}\)       (4)

OGCSBN_2022_v38n2_153_f0004.png 이미지

Fig. 4. Schematic visualization of ROC curve.

Table 3. Summary of threshold value in Baekgok and Chopyeong reservoirs

OGCSBN_2022_v38n2_153_t0003.png 이미지

4. 결과 및 고찰

1) SAR영상 기반 저수지 면적 산출

본 절에서는 전처리된 Sentinel-1 SAR 영상으로 2015 년부터 2020년까지 총 6년 동안 백곡저수지와 초평저수지의 수체를 탐지하기 위하여 Otsu 기법을 이용하여 임계값을 산정하였다(Table 3). 백곡저수지와 초평저수지에서 산정된 임계값의 평균은 각각 -14.674, -14.726 dB로 나타났으며, 최소임계값(-9.5333, -9.57338 dB)과 최대임계값(-17.3074, -17.4436 dB) 또한 비슷하게 나타났다.

산정된 임계값을 기준으로 714개의 SAR 영상의 수체와 비수체 지역을 구분하였다. 백곡저수지에서 수체가 가장 많이 관측된 시기는 2020년 2월 27일이며, 초평 저수지 에서는 2020년 9월 6일이었다. 두 저수지에서 수체면적이 가장 적게 나타난 시기는 2017년 6월 30일로 동일하였다. 최소 수체면적이 관찰된 것은 저수량 배출 등 다양한 원인으로 저수지의 수량이 최소가 되었음을 의미한다. 저수량의 변동에는 가뭄 현상 이외에도 다양한 원인이 있을 수 있으나, 가용수량 측면에서 저수량 이 낮은 상태를 유지하는 것은 농업적 가뭄이나 수문학적 가뭄을 초래할 수 있으므로 이것을 가뭄 평가를 위한 인자로 사용할 수 있다. Fig. 5는 두 저수지의 수체영역 픽셀이 가장 많은 일자와 가장 적은 일자의 수체영역 및 경계를 나타낸다. 해당 일자의 수체영역 픽셀의 수에 면적을 곱하여 저수면적을 산정하였다. 저수면적의 정확도는 RAWRIS에서 제공하는 실측 저수량 자료와의 비교를 통해 검증하였다. Fig. 6은 SAR 영상을 이용하여 산정된 저수면적과 해당일자의 실측 저수량을 비교한 그래프이다. 백곡저수지의 최대 및 최소 저수면 적은 1,966,100 m2, 1,136,200 m2, 초평저수지에서는 2,140,300 m2, 1,634,629 m2으로 산정되었다. 연구기간동안 SAR 영상을 이용하여 산정된 두 저수지의 저수면적 최소, 최대 일자와 실측 저수량의 최대, 최소 일자가 일치하였으며, 상관계수(r) 또한 0.88, 0.82로 높은 값을 나타내었다. 따라서 두 저수지에서의 저수면적과 저수량은 비슷한 경향과 계절성을 보임을 알 수 있다.

OGCSBN_2022_v38n2_153_f0005.png 이미지

Fig. 5. Result of reservoir water surface area detected (a) Baekgok, 2020.02.27, (b) Baekgok, 2017.06.30, (c) Chopyeong, 2020.09.06, and (d) Chopyeong, 2017.06.30.

OGCSBN_2022_v38n2_153_f0006.png 이미지

Fig. 6. Comparison between estimated reservoir surface area and reservoir storage (a) Baekgok and (b)Chopyeong.

Table 4. Summary of reservoir surface area in Baekgok and Chopyeong reservoir

OGCSBN_2022_v38n2_153_t0004.png 이미지

2) 백곡, 초평저수지의 지역 내 수문학적 대표성 분석

저수지의 면적 및 수량을 이용한 수문학적 가뭄 분석 시, 연구지역내 모든 저수지의 자료를 활용하는 경우에는 연구지역의 가용수자원 전체를 고려할 수 있어, 지역적 대표성을 가진다는 장점이 있다. 하지만 소규모 저수지의 경우 위성영상의 공간해상도 등 기술적 한계로 수체 탐지의 정확도에 한계가 있으며, 가뭄이 진행되거나 방류 시기에 따라 저수지의 수량이 존재하지 않을 경우 가뭄을 분석에 대한 오류가 발생할 수 있다. 반면, 연구지역 내 저수면적과 저수량이 충분히 큰 저수지만을 이용할 시 총 가용수량을 고려하지 못한다는 단점이 있으나, 보다 신뢰도 있는 수체 탐지 자료를 사용할 수 있 다는 장점이 있고, 가뭄 상황을 지속적이고 안정적으로 모니터링 할 수 있다. 본 연구에서는 위성영상을 활용한 가뭄 분석을 위해, 대규모 저수지를 채택하고자 하였으며, 소형 저수지를 배제하는 경우의 영향을 확인하기 위해 충북 진천군에 위치한 12개 저수지와 대규모 저수지인 백곡, 초평저수지만의 실측 저수량 자료를 이용한 RSDI를 계산하여 비교, 검증하였다. Fig. 7은 진천군 내 존재하는 12개의 농업용 저수지의 저수량을 이용하여 산정한 RSDI와 백곡, 초평저수지의 저수량만을 이용하여 산정한 RSDI를 비교한 것이다. 두 RSDI는 거의 동일한 경향성을 나타났으며, r=0.99, RMSE=0.1로 매우 높은 상관관계를 가졌다. 이는 지역 내 대규모 저수지인 백곡저수지와 초평저수지의 저수량이 연구지역 내의 총 가용수량의 변동성을 대표할 수 있음을 보여준다. 따라서 백곡, 초평저수지만을 활용하더라도 진천군의 지역 규모 수문학적 가뭄 분석이 가능함을 확인할 수 있다.

OGCSBN_2022_v38n2_153_f0007.png 이미지

Fig. 7. Comparison and validation between RSDI (Baekgok, Chopyeong) and RSDI (All reservoirs in Jinchun) (a) Time series of indices and (b) Scatterplot between indices with linear regression (red line).

3) 실측 저수량 자료를 이용한 RADI검증

절에서는 SAR 영상을 활용하여 백곡, 초평저수 지의 면적을 산정 후 RADI를 이용하여 지역 규모의 수 문학적 가뭄 분석 및 실측 저수량을 이용하는 RSDI와 비교, 검증하였다. Fig. 8은 백곡, 초평저수지의 저수면적을 이용하는 RADI와 저수량을 이용하는 RSDI를 비교 및 검증한 결과이다. 2015년 5~11월, 2017년 5~6월, 2019년 6~9월 동안 RADI와 RSDI는 -1 이하의 값을 나타냈다. 이는 해당 기간 동안 저수지의 면적이 줄어들었음을 의미하며 농업용수의 배출로 인한 저수지 수량의 부족과 수문학적 가뭄이 나타났다는 것을 의미한다. RADI는 RSDI와 비슷한 경향과 계절성을 가졌으며, r=0.86, RMSE=0.52로 높은 정확도를 보였다. 2017년 여름 기간 동안 RADI는 0보다 작은 값을 가졌으나, RSDI는 0보다 큰 값이 나타났다. 이는 Fig. 6과 같이 두 저수지에서 해당 기간 동안 수체의 미탐지로 인하여 오차가 발생하였다. 2017년 여름 기간 동안 저수지 수체 탐지에 미탐지가 존재한 이유는 바람의 영향으로 인하여 저수지의 수체 표면이 거칠어져 난반사의 영향, 혹은 여름 기간 동안 수표면의 수풀, 녹조 등 식생의 영향으로 수체가 탐지되지 않은 것으로 보인다(Jang et al., 2011;Gulácsi and Kovács, 2020).

OGCSBN_2022_v38n2_153_f0008.png 이미지

Fig. 8. Comparison and validation between RADI and RSDI (a) Time series of indices with monthly precipitation and (b)

Fig. 9는 RADI, RSDI를 0을 기준으로 4개의 부분으로 나누어 비교한 산점도를 나타낸다. 1 사분면은 RADI와 RSDI 모두 0보다 큰 기간, 2 사분면은 RADI는 0보다 크고 RSDI는 0보다 작은 기간, 3 사분면은 RADI와 RSDI 모두 0보다 작은 기간, 4사분면은 RADI는 0보다 작고 RSDI는 0보다 큰 기간을 의미한다. 2 사분면과 4 사분면은 두 지수를 0을 기준으로 오차가 생긴 기간을 의미한다. Table 5와 같이 2 사분면과 4 사분면에 해당하는 일자는 각각 24일로 총 48일이었으며 1 사분면과 3 사분면에 해당하는 일자는 155일과, 154일이었다. RSDI 값 이 0보다 작은 기간에서는 RADI와의 r 값은 0.86, RMSE 는 0.34로 높은 정확도를 보였으나, RSDI 값이 0보다 큰 기간에서는 r=0.5, RMSE는 0.65로 정확도가 낮았다. 이 결과는 두 지수가 모두 양수를 나타낼 때에 비해, 모두 음수를 나타낼 때 더욱 큰 상관성을 보이는 것을 의미한다. 즉, RADI는 가뭄 영향이 커질수록 RSDI로 산정되는 가뭄 영향을 정확하게 모니터링할 수 있으며, 수문학적 가뭄의 감시를 위한 목적으로 SAR 기반의 RADI를 활용할 수 있다고 판단된다.

OGCSBN_2022_v38n2_153_f0009.png 이미지

Fig. 9. Comparison between RADI with RSDI.

Table 5. R and RMSE value of Fig. 9

OGCSBN_2022_v38n2_153_t0005.png 이미지

SAR 기반 RADI의 수문학적 가뭄 판단의 적용성을 평가하기 위하여 ROC 분석을 수행하였다. 관측 결과는 실측 저수지 기반 RSDI를 사용하였으며, 예측 결과는 RADI를 사용하였다. RSDI의 가뭄판단 기준은 -1을 임계값으로 설정하였다. SPI 지수는 강우의 비율을 이용하여 가뭄을 판단하는 지수로 -1.5~-1의 범위에서는 보통 가뭄, -1.5~-2에서는 심한가뭄, -2 이하에서는 극심한 가뭄으로 판단한다(Jeong et al., 2016; Roodposhti et al., 2017; Shin et al., 2020). RSDI는 저수량의 비율을 이용하여 수문 학적 가뭄을 판단하는 지수로 값의 범위는 SPI 지수와 비슷하게 -3에서 3까지의 값을 가진다. 이에 RADI의 가뭄판단의 임계값을 -1을 기준으로 사용할 수 있을 것으로 판단하였다. Fig. 10은 RSDI가 -1 이하의 값을 갖는 시기를 가뭄 기간으로 설정하여 RADI의 ROC 곡선을 작성한 결과이다. ROC 곡선은 좌측 상단에 매우 가까운 위치에 존재하였으며, AUC 값은 0.97로 높은 탐지율을 보였다. 이를 통해 다시한번 SAR 영상 기반 RADI가 실측 저수량 기반 RSDI와 매우 높은 상관성이 있으며, 수문학적 가뭄 판단에 적합한 것으로 판단할 수 있다

OGCSBN_2022_v38n2_153_f0010.png 이미지

Fig. 10. ROC curve using RADI and RSDI.

5. 결론

본 연구는 Sentinel-1 SAR 위성영상을 이용하여 저수지의 수체를 탐지 후, 저수면적 기반 RADI의 수문학적 가뭄 판단을 위한 적합성을 확인하는 연구를 수행하였다. 저수지의 수체 탐지는 SAR 영상의 후방산란계수를 Otsu 임계값을 이용하였으며, RADI는 실측 저수량 기반 RSDI와 비교 및 검증하였다. SAR 영상만을 이용하여 지역규모의 가뭄을 분석했다는 점에서 의미가 있다고 판단되며, 도출된 결론은 다음과 같다.

1) SAR 영상의 후방산란계수와 Otsu 기법을 이용하여 저수지의 수체 탐지 및 저수면적의 산정이 가능하다.

2) 저수량을 이용한 지역규모의 가뭄분석을 위해서는 저수지 전체를 고려하여야 하지만 총 수량은 대규모 저수지의 경향을 따라가므로 대규모 저수지만을 이용하여도 가뭄분석이 가능하다.

3) 저수면적 기반 가뭄지수는 실측 저수량 기반 가뭄 지수와 비슷한 경향성 및 계절성을 가지며, 가뭄 판단 능력에 높은 적정성을 가지고 있다.

4) RADI는 가뭄이 아닌 기간에는 정확도가 낮았으나, 가뭄인 기간에 높은 정확도를 나타냈다. 이는 SAR 기반 RADI가 지역규모의 수문학적 가뭄분석이 가능하다는 것을 보여준다.

SAR 위성영상은 10m의 고해상도에서 구름, 눈 등의 기상현상에 상관없이 수체를 탐지할 수 있어 저수지, 댐, 호수의 수위 변화 관측과 홍수에 관한 연구가 활발히 진행되고 있다. 추후 수자원위성 등 보다 다양한 SAR 영상을 더 짧은 주기로 획득하기 위한 계획이 있으므로, SAR 영상에 대한 활용도는 점차 증대될 것으로 예상된다. 이에 본 연구에서는 SAR 영상을 활용한 지역 규모의 수문학적 가뭄분석 기법을 제시하고자 하였다. 향후 수자원 위성의 개발과 더불어 시공간 해상도가 높은 ICEYE, Capella 등 다양한 SAR 영상을 활용한다면, 광학영상과의 합성 등의 다양한 방법으로 보다 정확한 수문학적 가뭄분석도 가능할 것으로 기대된다.

사사

References

  1. AghaKouchak, A., A. Farahmand, F.S. Melton, J. Teixeira, M.C. Anderson, B.D. Wardlow, and C.R. Hain, 2015. Remote sensing of drought: Progress, challenges and opportunities, Reviews of Geophysics, 53(2): 452-480. https://doi.org/10.1002/2014RG000456
  2. Ahn, J.B. and H.J. Kim, 2010. Characteristics of Monsoon Climate in the Korean Peninsula, Journal of Climate Research, 5(2): 91-99 (in Korean with English abstract).
  3. Alley, W.M., 1984. The Palmer drought severity index: limitations and assumptions, Journal of Applied Meteorology and Climatology, 23(7): 1100-1109. https://doi.org/10.1175/1520-0450(1984)023<1100:TPDSIL>2.0.CO;2
  4. Bae, D.H., K.H. Son, and H.A. Kim, 2013. Derivation & evaluation of drought threshold level considering hydro-meteorological data on South Korea, Journal of Korea Water Resources Association, 46(3): 287-299 (in Korean with English abstract). https://doi.org/10.3741/JKWRA.2013.46.3.287
  5. Begueria, S., S.M. Vicente-Serrano, F. Reig, and B. Latorre, 2014. Standardized precipitation evapotranspiration index (SPEI) revisited: parameter fitting, evapotranspiration models, tools, datasets and drought monitoring, International Journal of Climatology, 34(10): 3001-3023. https://doi.org/10.1002/joc.3887
  6. Bourgeau-Chavez, L.L., E.S. Kasischke, S.M. Brunzell, J.P. Mudd, K.B. Smith, and A.L. Frick, 2001. Analysis of space-borne SAR data for wetland mapping in Virginia riparian ecosystems, International Journal of Remote Sensing, 22(18): 3665-3687. https://doi.org/10.1080/01431160010029174
  7. Dai, A., 2013. Increasing drought under global warming in observations and models, Nature Climate Change, 3(1): 52-58. https://doi.org/10.1038/nclimate1633
  8. Ding, Y., M.J. Hayes, and M. Widhalm, 2011. Measuring economic impacts of drought: a review and discussion, Disaster Prevention and Management, 20(4): 434-446. https://doi.org/10.1108/09653561111161752
  9. Filipponi, F., 2019. Sentinel-1 GRD preprocessing workflow, Proceedings, 18(1): 11. https://doi.org/10.3390/ECRS-3-06201
  10. Gao, H., G. Zhao, Y. Li, and S. Zhang, 2021. Drought Monitoring Using Reservoir Data Collected via Satellite Remote Sensing, In: Wu, H., Lettenmaier, D.P., Tang, Q., Ward, P.J. (Ed.), Global Drought and Flood: Observation, Modeling, and Prediction, American Geophysical Union, Washington, D.C., USA, pp. 47-59. https://doi.org/10.1002/9781119427339.ch3
  11. Geudtner, D., R. Torres, P. Snoeij, M. Davidson, and B. Rommen, 2014. Sentinel-1 system capabilities and applications, Proc. of 2014 IEEE Geoscience and Remote Sensing Symposium, Quebec, QC, Jul. 13-18, vol. 1, pp. 1457-1460. https://doi.org/10.1109/igarss.2014.6946711
  12. Gulacsi, A. and F. Kovacs, 2020. Sentinel-1-imagery-based high-resolution water cover detection on wetlands, Aided by Google Earth Engine, Remote Sensing, 12(10): 1614. https://doi.org/10.3390/rs12101614
  13. Jang, M.W., J.H. Lee, Y.H. Kim, and S.Y. Hong, 2011. Applicability of Satellite SAR Imagery for Estimating Reservoir Storage, Journal of the Korean Society of Agricultural Engineers, 53(6): 7-16 (in Korean with English abstract). https://doi.org/10.5389/KSAE.2011.53.6.007
  14. Jeong, J.H., S.C. Oh, S.C. Lee, J.Y. Kim, and M.H. Choi, 2021. Sentinel-1 SAR image-based waterbody detection technique for estimating the water storage in agricultural reservoirs, Journal of Korea Water Resources Association, 54(7): 535-544 (in Korean with English abstract). https://doi.org/10.3741/JKWRA.2021.54.7.535
  15. Jeong, M.S., J.S. Kim, H.W. Jang, and J.H. Lee, 2016. ROC evaluation for MLP ANN drought forecasting Model, Journal of Korea Water Resources Association, 49(10): 877-885 (in Korean with English abstract). https://doi.org/10.3741/JKWRA.2016.49.10.877
  16. Keyantash, J.A. and J.A. Dracup, 2004. An aggregate drought index: Assessing drought severity based on fluctuations in the hydrologic cycle and surface water storage, Water Resources Research, 40(9): W09304. https://doi.org/10.1029/2003WR002610
  17. Kogan, F.N., 1997. Global drought watch from space, Bulletin of the American Meteorological Society, 78(4): 621-636. https://doi.org/10.1175/1520-0477(1997)078<0621:GDWFS>2.0.CO;2
  18. Lee, D.R., U.T. KIM, and C.S. Yoo, 2004. Climate change impacts on meteorological drought and flood, Journal of Korea Water Resources Association, 37(4): 315-328 (in Korean with English abstract). https://doi.org/10.3741/JKWRA.2004.37.4.315
  19. Li, Z.X. and S.W. Kim, 2006. A Multi-thresholding Approach Improved with Otsu's Method, Journal of the Institute of Electronics Engineers of Korea CI, 43(5): 29-37 (in Korean with English abstract).
  20. Liu, W.T. and F.N. Kogan, 1996. Monitoring regional drought using the vegetation condition index, International Journal of Remote Sensing, 17(14): 2761-2782. https://doi.org/10.1080/01431169608949106
  21. Liu, X., X. Zhu, Y. Pan, S. Li, Y. Liu, and Y. Ma, 2016. Agricultural drought monitoring: Progress, challenges, and prospects, Journal of Geographical Sciences, 26(6): 750-767. https://doi.org/10.1007/s11442-016-1297-9
  22. Ma, Q., 2021. Improving SAR target recognition performance using multiple preprocessing techniques, Computational Intelligence and Neuroscience, 2021: 1-8. https://doi.org/10.1155/2021/6572362
  23. Mishra, A.K. and V.P. Singh, 2010. A review of drought concepts, Journal of Hydrology, 391(1-2): 202-216. https://doi.org/10.1016/j.jhydrol.2010.07.012
  24. Mukherjee, S., A. Mishra, and K.E. Trenberth, 2018. Climate change and drought: a perspective on drought indices, Current Climate Change Reports, 4(2): 145-163. https://doi.org/10.1007/s40641-018-0098-x
  25. Mullissa, A., A. Vollrath, C. Odongo-Braun, B. Slagter, J. Balling, Y. Gou, N. Gorelick, and J. Reiche, 2021. Sentinel-1 sar backscatter analysis ready data preparation in google earth engine, Remote Sensing, 13(10): 1954. https://doi.org/10.3390/rs13101954
  26. Otsu, N., 1979. A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66. https://doi.org/10.1109/tsmc.1979.4310076
  27. Park, C.Y., J.Y. Moon, E.J. Cha, W.T. Yun, and Y.E. Choi, 2008. Recent Changes in Summer Precipitation Characteristics over South Korea, Journal of the Korean Geographical Society, 43(3): 324-336 (in Korean with English abstract).
  28. Pham-Duc, B., C. Prigent, and F. Aires, 2017. Surface water monitoring within Cambodia and the Vietnamese Mekong Delta over a year, with Sentinel-1 SAR observations, Water, 9(6): 366. https://doi.org/10.3390/w9060366
  29. Pierdicca, N., L. Pulvirenti, M. Chini, L. Guerriero, and L. Candela, 2013. Observing floods from space: Experience gained from COSMO-SkyMed observations, Acta Astronautica, 84: 122-133. https://doi.org/10.1016/j.actaastro.2012.10.034
  30. Roodposhti, M.S., T. Safarrad, and H. Shahabi, 2017. Drought sensitivity mapping using two one-class support vector machine algorithms, Atmospheric Research, 193: 73-82. https://doi.org/10.1016/j.atmosres.2017.04.017
  31. Shin, J.Y., H.H. Kwon, J.H. Lee, and T.W. Kim, 2020. Probabilistic long-term hydrological drought forecast using Bayesian networks and drought propagation, Meteorological Applications, 27(1): e1827. https://doi.org/10.1002/met.1827
  32. Torres, R., P. Snoeij, D. Geudtner, D. Bibby, M. Davidson, E. Attema, P. Potin, B. Rommen, N. Floury, M. Brown, I. N. Traver, P. Deghaye, B. Duesmann, B. Rosich, N. Miranda, C. Bruno, M. L'Abbate, R. Croci, A. Pietropaolo, M. Huchler, and F. Rostan, 2012. GMES Sentinel-1 mission, Remote Sensing of Environment, 120: 9-24. https://doi.org/10.1016/j.rse.2011.05.028
  33. Van Loon, A.F., 2015. Hydrological drought explained, Wiley Interdisciplinary Reviews: Water, 2(4): 359-392. https://doi.org/10.1002/wat2.1085
  34. West, H., N. Quinn, and M. Horswell, 2019. Remote sensing for drought monitoring & impact assessment: Progress, past challenges and future opportunities, Remote Sensing of Environment, 232: 111291. https://doi.org/10.1016/j.rse.2019.111291
  35. Yoo, J.Y., H.Y. Song, T.W. Kim, and J.H. Ahn, 2013. Evaluation of short-term drought using daily standardized precipitation index and ROC analysis, KSCE Journal of Civil and Environmental Engineering Research, 33(5): 1851-1860 (in Korean with English abstract). https://doi.org/10.12652/Ksce.2013.33.5.1851
  36. Yoon, D.H., W.H. Nam, H.J. Lee, E.M. Hong, and T.G. Kim, 2020. Drought Hazard Assessment using MODIS-based Evaporative Stress Index (ESI) and ROC Analysis, Journal of the Korean Society of Agricultural Engineers, 62(3): 51-61 (in Korean with English abstract). https://doi.org/10.5389/KSAE.2020.62.3.051
  37. Zargar, A., R. Sadiq, B. Naser, and F. I. Khan, 2011. A review of drought indices, Environmental Reviews, 19(NA): 333-349. https://doi.org/10.1139/a11-013
  38. Zhang, R., X. Chen, Q. Cheng, Z. Zhang, and P. Shi, 2016. Joint probability of precipitation and reservoir storage for drought estimation in the headwater basin of the Huaihe River, China, Stochastic Environmental Research and Risk Assessment, 30(6): 1641-1657. https://doi.org/10.1007/s00477-016-1249-z
  39. Zhao, G. and H. Gao, 2019. Towards global hydrological drought monitoring using remotely sensed reservoir surface area, Geophysical Research Letters, 46(22): 13027-13035. https://doi.org/10.1029/2019GL085345